用于异常感知时间序列预测的加权对比学习
机器学习
2025-12-09 v1 人工智能
摘要
在异常条件下对多变量时间序列进行可靠预测在 ATM 现金物流等应用中至关重要，其中突然的需求变化可能扰乱运营。现代深度预测器在正常数据上达到高精度，但在分布偏移发生时往往失效。我们提出了加权对比适应（WECA），一种加权对比目标，用于对齐正常和异常增强表示，在保持异常相关信息的同时保持在良性变化下的一致性。在具有领域信息异常注入的全国 ATM 交易数据集上的评估表明，与正常训练基线相比，WECA 在异常受影响数据上将 SMAPE 提高了 6.1 个百分点，而在正常数据上退化可忽略不计。这些结果表明，WECA 在不牺牲常规操作性能的情况下增强了异常条件下的预测可靠性。
引用
@article{arxiv.2512.07569,
title = {Weighted Contrastive Learning for Anomaly-Aware Time-Series Forecasting},
author = {Joel Ekstrand and Tor Mattsson and Zahra Taghiyarrenani and Slawomir Nowaczyk and Jens Lundström and Mikael Lindén},
journal= {arXiv preprint arXiv:2512.07569},
year = {2025}
}